亲历中美 New Labs 资本狂潮：刘子明谈 AI for AI、机制可解释性与 Max Tegmark

概览

本期围绕 2026 年中美两地 New Labs 涌现、资本快速涌入 AI for Science、世界模型和 Auto Research/AI for AI 的现象展开。嘉宾刘子明从自己回国入职清华、参与圆环智能融资的经历出发，将当下一级市场的体感概括为“太疯狂了”。

访谈的主线不是单纯讨论融资，而是解释刘子明如何从物理进入 AI，再从 AI for Physics 转向 Physics of AI，并进一步提出一种“自动化做 AI 的物理学”的 AI for AI 路线。他认为当前大语言模型的成功很大程度来自语言这一被高度压缩的模态，而后语言模型时代的新机会会更依赖抽象能力、模型设计和研究过程的结构化。

节目后半段重点讨论了“元模型”、OPHIS 研究结构化方法、training copilot/autopilot、vibe training，以及 New Lab 在研究机构与公司之间的组织形态。刘子明的核心判断是：AI for coding 之后会是 AI for research，但要真正推进 AI research 自动化，短期仍需要 Physics of AI 这样的结构化、机制化路径。

分段落总结

[00:03] 节目背景：New Labs 与资本新热点

[事实] 主持人介绍，此前节目访谈过来自欧洲和美国的 New Lab 创业者，而 2026 年中国也出现了一批新型实验室。 [事实] 这些团队通常由年轻、有名校科研背景、第一次创业的老师或学生组成，有些在还没有产品时就能以数亿美元估值融资。 [事实] 当下资本最活跃的方向包括世界模型和 Auto Research，Auto Research 也被称为 AI for AI。 [事实] 本期嘉宾刘子明是清华大学人工智能学院助理教授、上海期智研究院 PI，并参与创建圆环智能。

[02:01] 刘子明的学术与创业身份

[事实] 刘子明本科就读于北大物理学院，后来到 MIT 做 AI 与物理交叉方向，并在斯坦福短暂从事脑科学与 AI 相关研究。 [事实] 他的博士导师是 Max Tegmark；刘子明提到 Max 很早就宣传 AI for Physics，也在 2022 年底、2023 年初布局机制可解释性。 [事实] 刘子明目前同时处在高校、研究院和创业公司三种位置上。

[03:11] 从物理走向 AI

[事实] 刘子明最初被物理的美感和智力挑战吸引，但后来觉得物理留给年轻人的机会没有那么多。 [事实] 他在 2017 年左右关注到 GAN，认为这个方向既符合自己的兴奋点，又不像理论物理那样难以进入。 [事实] 他尝试过理论物理和实验物理，也做过磁流体相关实验，但逐渐发现 AI 带来的愉悦感和成就感更多。 [事实] 本科毕业时，他已经发表过 AI for Physics 相关论文，并以 AI for Physics 的研究计划申请到 MIT。

[05:00] 从 AI for Physics 到 Physics of AI

[事实] 刘子明早期主要做 AI for Physics，包括高能物理相关任务。 [事实] ChatGPT 出现后，他认为 AI 领域出现了比物理中许多问题更“sexy”的研究对象，于是把 AI 和物理的位置调换。 [事实] 他的转向是从 AI for Physics 变为 Physics for AI，更具体地说是 Physics of AI，即用物理学方法理解和设计 AI。 [推测] 这一步转向奠定了他后来把 AI 研究自动化、机制化的思路。

[10:24] 机制可解释性与 KAN 的诞生

[事实] 2022 年底，Max Tegmark 建议团队转向机制可解释性，理由是大模型危险，需要理解其内部工作方式以保障安全。 [事实] KAN 最初是刘子明的 side project，Max 一开始并不同意，并给他看了 1989 年 Thomas Poggio 关于 Kolmogorov-Arnold 表征难以变成算法的论文。 [事实] 刘子明认为物理学家不只关心最坏情况，而关心某些有结构的真实场景中是否有用，因此继续做出了原型。 [事实] 在加入可视化后，Max 被说服，因为他们可以看到网络内部在“想什么”，而不只是端到端预测结果。

[14:34] KAN 背后的神经-符号执念

[事实] 刘子明认为 AI 的哲学偏连接主义和神经网络，而物理偏符号和公式，两者之间存在张力。 [事实] 他长期想构造一种既是神经网络、又是符号公式的结构，并把这类想法类比为“波粒二象性”。 [事实] 他后来发现自己写出的方程与 1957 年 Kolmogorov 和 Arnold 的方程相通，而该方程具有万能逼近意义上的理论背书。 [事实] KAN 成功后，他更关注如何复现“提出新架构”这件事，而不只是把 KAN 应用到更多场景。

[17:56] Transformer、硬件彩票与抽象能力

[事实] 刘子明认同 Transformer 在某种程度上“中了硬件彩票”，并认为大语言模型的成功很大程度来自语言这种被人类长期压缩好的模态。 [事实] 他指出 Transformer 的关键不在名字，而在上下文方向上高效传播信息；ResNet 的关键也在深度方向上的高效梯度传播。 [事实] 对视觉、世界模型等模态而言，数据没有被压缩得那么好，因此更需要能够学习抽象表征的模型。 [事实] 他认为人类很擅长从海量信息中识别生存相关的关键变量，而当前 AI 仍缺乏这种抽象能力。

[21:15] 研究主线：嫁接神经与符号

[事实] 刘子明回看自己的研究，认为主线是嫁接神经与符号，或者更具体地说，嫁接 AI 与物理、自然科学。 [事实] 他解释 AI for Science 是用 neural 的东西补足过于 symbolic 的科学，而 Science of AI 是用科学和符号的方法理解、改进和设计 AI。 [事实] 他强调自己的 AI for AI 与“拿 coding agent 写 paper”不同，而是希望自动化地做 AI 的物理学。 [推测] 他的 AI for AI 路线更接近研究方法论和模型设计自动化，而不是单纯的论文生成或训练流水线优化。

[23:35] 符号、压缩与 AI 的“天文学阶段”

[事实] 刘子明引用“intelligence is compression”的观点，认为符号是一种极致压缩。 [事实] 他也承认，并非所有领域都能符号化；现在他认为只要预测器有用，它也可以是神经网络，不一定非要写成符号理论。 [事实] 他用天文学类比 AI：第一个阶段是第谷式的数据记录，第二阶段是开普勒式经验规律，第三阶段是牛顿式更深层压缩。 [事实] 他认为当前 AI 可能处在 1.5 阶段，甚至更悲观地说还只是 0.5 阶段，因为研究过度聚焦在 Transformer 等少数架构上。

[28:16] Stanford 经历如何改变创业心态

[事实] 刘子明说，在 MIT 时自己更偏学术和保守，曾认为学界靠几个聪明脑子就能写出 AI 的物理学。 [事实] 到 Stanford 后，他身边有很多人在创业；一位从 MIT 到 Stanford 的朋友很快决定创业，对他产生刺激。 [事实] 他在 Stanford 博后期间也目睹了一个偏 Neuroscience 的 New Lab 从筹划到发布的过程。 [事实] 他逐渐意识到，如果依靠传统科研方式做 Physics of AI，可能慢到自己有生之年看不到结果，因此需要 scale insight。

[37:28] New Labs 涌现的原因

[事实] 刘子明认为，顶尖 AI 人才的选择大致包括留在学界、去大厂模型团队做“大头兵”、或出来单干。 [事实] 他认为很多人才不愿意只在大厂推进既有范式，而 New Labs 往往瞄准当前范式解决不了的痛点。 [事实] 他举出的两个重要痛点是 Auto Research 和世界模型，这些方向早期都需要大量 research，而不是一开始就堆工程和资源。 [事实] 他认为 AI for coding 已经很成功，下一个自然方向是 AI for research，但 research 不像 coding 那样已有 GitHub 等高度结构化数据。

[40:44] OPHIS：把研究过程结构化

[事实] 刘子明提出要先结构化 research，把研究拆成 Observation、Problem、Hypothesis、Intervention、Speed up，即 OPHIS。 [事实] 他认为所有 research paper 和研究过程都可以尝试按照这种结构进行标注。 [事实] 有了这种结构后，相当于创造了一种“研究的语言”，再像训练大语言模型一样训练 research language model。 [事实] 他表示团队近期会发布博客，介绍这套方法论和初步结果。

[44:15] 融资体感与回国原因

[事实] 刘子明 3 月回国，4 月底入职清华，5 月底开始参与融资，并形容融资过程“太疯狂了”。 [事实] 他观察到 AI for Science、世界模型和 AI for AI 都处在一级市场非常活跃的状态，投资人相互打探消息、出手很快。 [事实] 他提到市场上会出现种子轮、加轮、加加轮等连续融资状态。 [事实] 他选择回国，是因为 Auto Research 需要很多高质量、高智商、高人才密度的学生；他认为清北本科生在这方面有优势。

[46:56] 与 Recursive/RSI 路线的差异

[推测] 刘子明基于 Recursive/RSI 发布的博客判断，对方当前更偏 coding agent 改进，像是在做“更勤奋”的 AI for AI。 [事实] 他希望自己的路线做“更聪明”的 AI for AI，即不是尝试一百个想法只成一个，而是提出少量想法就有更高命中率。 [事实] 他认为“勤奋”和“聪明”最终都需要，两个方向未来可能会在某处整合。 [事实] 他也提到田渊栋本人支持 Science of AI，因此如果 Recursive/RSI 路线变得更相似，他会有危机感。

[48:36] 元模型的起点：把自己当模型训练

[事实] 刘子明说，AI for AI 的原生想法来自他今年年初把自己当作模型训练的经历。 [事实] 他每天随机选择数据集和模型，在实验前预测训练曲线，再用实验结果训练自己的判断。 [事实] 连续做了四五十天后，他发现自己的预测变准，甚至能跨语言和视觉任务预测训练结果。 [事实] 这段“人体实验”让他相信存在“元模型”的可能性。

[53:18] 元模型如何服务 AI for AI

[事实] 刘子明定义的元模型，是输入一个模型以及数据集、优化器等条件，输出该模型的训练曲线。 [事实] 如果有一百个架构想法，元模型可以先预测它们的表现并排序，从而减少真实训练实验的成本。 [事实] 他把这个任务称为预测 next curve，而不是世界模型中的 next state 或语言模型中的 next token。 [事实] 元模型的数据来自“模型与训练曲线”的配对，需要训练大量多样的小模型，而不是像大模型那样依赖单个巨型集群。

[56:47] 从结构化研究到下一个架构

[事实] 刘子明说，终极目标是让下一个 Transformer 级别的模型结构不是由人拍脑袋发现，而是由元模型 research 出来。 [事实] 中间目标仍然是结构化 research、收集结构化 research 数据，并训练服务于研究过程的模型。 [事实] 他引用 Bitter Lesson 解释：短期数据不够时需要引入结构，长期数据足够多时可能不再需要结构。 [事实] 他认为论文只是研究探索的最终结果，很多灵光一现、曲折过程和思维链并没有被记录下来。

[60:00] 采集研究思维链与 next action prediction

[事实] 刘子明说，团队正在构建一个软件或流程化系统，用于采集研究过程中的思维链。 [事实] 这个系统会要求人在进入下一个实验前，写下对前一步实验的评价、结论和下一步计划。 [事实] 他估算，如果 20 个学生和员工每人每天采集 10 条，两个月可能产生约 1 万条数据。 [事实] 下一步模型不一定是元模型，而可能是 next action prediction：当学生卡住时，系统预测如果是“子明”会怎么做。

[64:23] Physics of AI 的三种视角

[事实] 刘子明把 Physics of AI 拆成空间、时间和平行宇宙三个视角。 [事实] 空间视角关注模型内部神经元和表征，而不只是端到端行为。 [事实] 时间视角关注模型性质如何在训练过程中演化，类似从进化角度理解生物。 [事实] 平行宇宙视角对应控制实验和相图，目的是理解某个 trick 或架构在什么条件、什么“相”里有效。

[68:04] 可解释性与机制可解释性的边界

[事实] 刘子明承认 Physics of AI 广义上是在做可解释性，但他对“可解释性”这个词保持警惕。 [事实] 他认为自己的路线不一定要解释到 Anthropic 那种 neuron level。 [事实] 他提到自己早期也做过大量机制可解释性工作，但发现一些微观解释在换随机种子后可能不够稳健。 [事实] 他认为机制可解释性像 AI 的生物学，过去看起来需要几百年，但在 Auto Research 框架下可能被加速。

[70:00] AI for Physics of AI for AI

[事实] 刘子明明确说，自己的想法是非主流的：不是直接用 AI 提升 AI，而是先做 Physics of AI，再用 AI 自动化 Physics of AI，最后服务于 AI。 [事实] 他把自己的路线概括为 AI for Physics of AI for AI。 [事实] 他认为 AI for X 成功的前提是 X 有大量数据，而 AI research 目前缺少高质量、结构化数据。 [事实] 他认为短期仍需要符号或结构主义约束，长期当数据足够多时或许不再需要。

[75:59] 关键里程碑与 AGI 坐标

[事实] 刘子明认为 AI for AI 的标志性节点，是系统能在一个垂直领域提出新的架构，并明显超过已有架构。 [事实] 他举 ResNet 的例子说明，真正有说服力的突破不是只提升 1%，而是能在 benchmark 上打出明显差距。 [事实] 他认为 AI for AI 对 AGI 是 necessary，但不是 sufficient。 [事实] 他认为真正的 AGI 还需要抽象能力和持续学习能力，而他当前务实定义下的 AI for AI 不一定要先解决持续学习。

[78:31] 相对大模型公司的机会

[事实] 刘子明认为，自己的 Physics of AI 路线对大模型公司来说可能过于 risky。 [事实] 他认为 New Lab 的机会在于相信这条路线，并组织“小天才”进行快速拆解和迭代。 [事实] 他判断，在做出类似 GPT-3 的标志性成果之前，大厂可能会觉得他们是在胡闹。 [推测] 这也说明他把 New Lab 的优势理解为信仰、风险偏好和人才组织方式，而不只是算力。

[80:37] 产品形态：training copilot 与 vibe training

[事实] 投资人最常问的问题包括元模型需要多少算力，以及最终如何商业化。 [事实] 刘子明说，在与投资人交流中，团队逐渐明确最终产品形态是 training autopilot，短期则是 training copilot。 [事实] 这个系统的目标是让用户只说明需求和预算，系统端到端完成模型设计、训练、部署和交付。 [事实] 他把它类比为 coding agent 之于编程，未来则可能是 vibe training：用户讲清楚叙事，系统完成训练流程。

[85:35] 模型生态与训练平权

[事实] 刘子明认为，如果能交付 vibe training autopilot，就相当于训练模型的能力被平权。 [事实] 他也承认，人人可训仍然受成本约束，训练大模型现在仍然很贵。 [事实] 他认为 Physics of AI 理清后，训练成本可能下降，因为当前 recipe 很可能不是最优的。 [事实] 他也坦言，人人训练自己的模型到底会产生哪些需求，自己还没有完全想清楚。

[86:37] 国内 AI for AI 版图

[事实] 刘子明认为 AI for AI 在国内仍是相对新鲜的概念，Recursive 发布后国内开始活跃起来。 [事实] 他提到孙天祥较早做相关方向，且其 belief 是 language 基本可以描述世界；其系统更像 paper agent。 [事实] 他提到清华 AI 院陈永超也在做 AI for AI，路线目前更偏让 AI 写 AI research 文章。 [推测] 他根据公开博客推测 RSI 会强调 autoresearch 系统的 memory，但他认为如果不理解失败背后的机制，单纯经验记忆可能会误导下一步研究。

[88:48] 研究直觉、品位与思维链

[事实] 刘子明认为每一个“aha moment”或研究直觉背后都有思维链；如果说不出来，是追问得还不够深。 [事实] 他认为“研究品位”“研究直觉”有时是一种遮羞布，因为人能提出想法，却未必能讲清自己如何提出想法。 [事实] 他一直训练自己不仅提出好想法，也追问自己是如何提出好想法的。 [事实] 他认为自己和 Max Tegmark 都偏视觉思维，常常脑中有图像，但不一定能顺畅用自然语言表达。

[91:54] Roadmap 与 New Lab 的本质

[事实] 刘子明说，团队 6 个月内主要做 R&D、demo 和产品雏形；6 个月后根据成果决定后续方向。 [事实] 他认为一年内肯定要开始产品化和商业化，但 New Lab 需要 6 到 12 个月研究探索期，不能为了短期交差过早投入不好的方向。 [事实] 他认为 New Lab 既不是传统 lab，也不是传统公司，而是先像 research institute 运转，一旦“grok”后再按公司方式运转。 [事实] 他认为当前路线已经相对清晰，6 到 12 个月可以先“画上一个逗号”，再开始产品化。

[94:50] AI 发展阶段与创业状态

[事实] 刘子明认为大语言模型方向已经比较收敛，但世界模型和 Auto Research 仍处于很早期。 [事实] 他认为世界模型需要更好抽象和找到物理世界真正的 latent space；Auto Research 则首先要结构化并收集 research 数据。 [事实] 谈到创业几个月的感受，他说节奏非常快，基本除了睡觉都在工作。 [事实] 他认为自己现在既要做研究，也要交流、募资、倒推几年后的路径，这是一个 out of distribution 的学习过程。

[97:56] 快问快答与最终判断

[事实] 刘子明最喜欢的食物是热干面，喜欢有江河的地方，例如武汉、上海黄浦江边和 MIT 附近的查尔斯河。 [事实] 影响他人生的书是《人类简史》，因为它让他意识到社会由故事驱动，叙事和技术一样重要。 [事实] 对他个人影响最大的 AI 论文是 GAN，因为它为他打开了 AI 设计的大门。 [事实] 他最后强调：AI for coding 的下一步会是 AI for research，但需要用 Physics of AI 的方式去做。

播客点评/总结

[事实] 本期的价值在于，它把 New Labs 的资本热度、学术人才创业、AI for AI 技术路线和机制可解释性放在同一条叙事线上，而不是只讨论融资新闻或单点技术。

[事实] 亮点是刘子明不断把个人经历转化为方法论：从物理到 AI、从 KAN 到模型设计科学、从自我训练到元模型、从研究直觉到结构化思维链，形成了相对完整的路线说明。

[推测] 局限在于，许多关键设想仍处于早期，例如元模型、research 数据采集、training autopilot 和 vibe training 的真实产品需求，都还没有被转录稿中的结果充分验证。

[推测] 本期更适合关注 AI 研究范式、模型架构、AI for Science/AI for AI 创业和一级市场技术叙事的听众；如果只想听成熟商业模式或短期收入模型，可能会觉得讨论偏前沿、偏研究。